1024程序員節快樂~
根據前兩篇博文的實驗結果,可以看出,兩種模型相比,基於卷積神經網絡的軸承故障診斷模型在各方面性能都更爲優異。準確率比基於長短時記憶網絡的軸承故障診斷模型高出近10%,而訓練用時要節省近15分鐘。其實對我來說最關鍵的是CNN訓練快啊,我的電腦不是n卡,沒有gpu加速,訓練一次15分鐘實在是有點膈應人(這期間佔着我的內存我還不能開模擬器掛遊戲)。
LSTM與CNN實驗結果對比
網絡模型 |
acc |
loss |
訓練用時 |
LSTM |
0.8716 |
0.803074 |
15m24s |
CNN |
0.96825 |
0.124567 |
21.8s |
長短時記憶網絡和卷積神經網絡都可用於對序列數據的處理,如果序列數據的整體順序很重要,那用長短時記憶網絡處理效果更好;如果整體順序沒有意義,一維卷積神經網絡效果同樣很好,且計算代價更小。凱斯西儲大學公開數據集中的數據僅記錄了軸承故障信息,沒有時間信息(因爲軸承損傷壓根就是人爲鑽出來的,怎麼會跟時間有關呢),數據之間的整體順序並不重要。所以綜合考量,使用一維卷積神經網絡構建所需要的滾動軸承故障診斷模型。